使用PyTorch无缝执行回归分析！

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

使用PyTorch无缝执行回归分析！
这可能是有关使用PyTorch实现回归分析的第1000篇文章。那么有什么不同呢？
好吧，我回答之前让我写的一系列事件，导致THI的小号的文章。因此，当我开始在PyTorch中学习回归时，我很兴奋，但是我有很多原因，为什么不是，一次就感到沮丧。因此，我想为什么不从头开始-更好地了解深度学习框架，然后深入研究复杂的概念，例如CNN，RNN，LSTM等，因此，最简单的方法是采用熟悉的数据集并进行探索。尽可能多地了解基础组件和关键工作原理。
我试图解释导入的模块，为什么必须执行某些步骤以及如何评估PyTorch中的回归模型。
因此，人们，如果您像我一样刚刚开始或寻找答案，那么您肯定在正确的位置。 ??
好的，让我们先从导入开始。
进口货
import torch
导入torch.nn为nn
torch.nn模块可帮助我们创建和训练神经网络。所以我们绝对需要。让我们继续：
从sklearn.preprocessing导入MinpScaler，将pandas作为pd
导入，将numpy作为np
导入，将matplotlib.pyplot作为plt
导入
他们看起来很熟吧？我们需要它们，因为我们必须对将要使用的数据集进行一些预处理。
数据
我要使用的数据集是摄氏到华氏数据，可以在这里找到：链接
图片发布
数据预处理步骤1：分离特征和标签
X_train = train_data.iloc [：，0] .values
y_train = train_data.iloc [：，-1] .values
数据预处理步骤2：标准化数据，因为值非常大且变化很大
因此，如果您在这种情况下不进行此操作，则稍后在训练模型时，很可能会得到inf或nan的损耗值，这意味着该模型无法正确执行反向传播，从而会导致模型出现故障。
sc = MinMaxScaler（）
sct = MinMaxScaler（）
X_train = sc.fit_transform（X_train.reshape（-1
y_train = sct.fit_transform（y_train.reshape（-1
我们必须确保X_train和y_train为2-d。
好的，到目前为止很好。现在进入张量世界
数据预处理步骤3：将numpy数组转换为张量
X_train =火炬.from_numpy（X_train.astype（np.float32））。view（-1
y_train =火炬.from_numpy（y_train.astype（np.float32））。view（-1
该视图像numpy一样处理张量中的2d事物。
PyTorch中的回归模型构建
input_size = 1
output_size = 1
输入=摄氏
输出=华氏度
定义层
class LinearRegressionModel（torch.nn.Module）：def __init __（self）：
        super（LinearRegressionModel，self）.__ init __（）
        self.linear = torch.nn.Linear（1，1）   ＃一进一出def forward（self） ，x）：
        y_pred = self.linear（x）返回y_pred
或者我们可以简单地做到这一点（因为它只是单层）
模型= nn.Linear（input_size，output_size）
在这两种情况下，我们都使用nn.Linear来创建我们的第一个线性层，这基本上是对数据进行线性转换，例如对于一条直线，它将像y = w * x一样简单，其中y是标签， x，特征。当然，w是重量。在我们的数据中，摄氏温度和华氏温度遵循线性关系，因此我们对一层很满意，但是在某些情况下该关系是非线性的，我们添加了一些额外的步骤来处理非线性问题，例如添加一个S型曲线功能。
定义损失和优化器
learning_rate = 0.0001
l = nn.MSELoss（）
优化器= torch.optim.SGD（model.parameters（），lr = learning_rate）
如您所见，损失函数在这种情况下为“ mse ”或“均方误差”。我们的目标是减少损耗，这可以使用优化器（在这种情况下为随机梯度下降）来完成。该SGD需要初始模型参数或权重和学习率。
好的，现在让我们开始培训。
训练
num_epochs = 100对于历元在范围（num_epochs）：
     #forward饲料
    y_pred =模型（X_train.requires_grad_（））#calculate损失
    损失= 1（y_pred，y_train）#backward传播：计算梯度
    loss.backward（）#UPDATE的weights
     Optimizer.step（）＃从最后一步中清除渐变loss.backward（）
     optimizer.zero_grad（）
    print（'epoch {}，loss {}'. format（epoch，loss.item（）））
前馈：在此阶段，我们只是通过使用一些初始权重和特征值来计算y_pred。
损失阶段：在y_pred之后，我们需要测量发生了多少预测误差。我们正在使用mse进行测量。
反向传播：在此阶段，计算梯度。
步骤：权重现在已更新。
zero_grad：最后，清除最后一步中的渐变，并为新渐变腾出空间。
评价
预测= model（X_train）.detach（）。numpy（）
detach（）表示我们不再需要存储渐变，因此可以将其与张量分离。现在，让我们用前100个数据点可视化模型质量。
plt.scatter（X_train.detach（）。numpy（）[：100]，y_train.detach（）。numpy（）[：100]）
plt.plot（X_train.detach（）。numpy（）[：100]，预测的[：100]，“红色”）
plt.xlabel（“
Celcius ”）plt.ylabel（“ Farenhite”）
plt.show（）
回归火炬
回归火炬
请注意，随着时期数的增加，预测如何变得更好。还有多种其他策略可以优化网络，例如更改学习速率，权重初始化技术等。
最后，尝试使用已知的摄氏温度值，看看模型是否能够正确预测华氏温度值。这些值已转换，因此请确保执行sc.inverse_transform（）和sct.inverse_transform（）来获取实际值。
题库

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏1 回帖

关键词：回归分析 RCH regression Processing parameters